Tiêu đề ban đầu:Checks and balances： Machine learning and zero-knowledge proofs

Tiêu đề ban đầu:

Tác giả gốc: Elena Burger, a16z

Tổng hợp văn bản gốc: The Way of DeFi

Trong vài năm qua, bằng chứng không kiến ​​thức trên chuỗi khối đã được sử dụng cho hai mục đích chính: (1) mở rộng quy mô mạng hạn chế tính toán bằng cách xử lý các giao dịch ngoài chuỗi và xác minh kết quả trên mạng chính; (2) Bảo vệ quyền riêng tư của người dùng bằng cách thực hiện các giao dịch được bảo vệ mà chỉ những người có khóa giải mã mới có thể xem được. Các thuộc tính này rõ ràng là mong muốn trong bối cảnh của các chuỗi khối: một mạng phi tập trung như Ethereum không thể tăng thông lượng hoặc kích thước khối mà không áp đặt các yêu cầu không thể chấp nhận được đối với sức mạnh xử lý, băng thông và độ trễ của trình xác thực (Do đó cần có các cuộn hợp lệ), tất cả các giao dịch đều hiển thị với bất kỳ ai (do đó cần có giải pháp bảo mật trên chuỗi).

Nhưng bằng chứng không kiến ​​thức cũng hữu ích cho loại chức năng thứ ba: xác minh hiệu quả rằng bất kỳ loại tính toán nào (không chỉ tính toán trong chuỗi ngoại tuyến được khởi tạo EVM) đã chạy chính xác. Điều này cũng có ý nghĩa lớn đối với các lĩnh vực bên ngoài blockchain.

Giờ đây, những tiến bộ trong các hệ thống tận dụng bằng chứng không kiến ​​thức để xác minh ngắn gọn sức mạnh tính toán cho phép người dùng yêu cầu cùng một mức độ xác minh đáng tin cậy và có thể kiểm chứng mà các chuỗi khối đảm bảo từ mọi sản phẩm kỹ thuật số, đặc biệt là từ các mô hình máy học. Nhu cầu cao đối với điện toán chuỗi khối đã thúc đẩy nghiên cứu bằng chứng zero-knowledge, tạo ra các hệ thống bằng chứng hiện đại với dung lượng bộ nhớ nhỏ hơn và thời gian xác minh và xác minh nhanh hơn—giúp giờ đây có thể xác minh một số thuật toán học máy nhỏ nhất định trên chuỗi.

Đến bây giờ, có lẽ tất cả chúng ta đều đã trải nghiệm tiềm năng tương tác với một sản phẩm máy học rất mạnh mẽ. Vài ngày trước, tôi đã sử dụng GPT-4 để giúp tôi tạo ra một AI liên tục đánh bại tôi trong môn cờ vua. Nó giống như một mô hình thu nhỏ thơ mộng của tất cả những tiến bộ trong máy học trong vài thập kỷ qua: Các nhà phát triển IBM đã dành mười hai năm để chế tạo Deep Blue, một máy tính IBM RS/6000 SP 32 nút có khả năng Đánh giá gần 200 triệu bước di chuyển mỗi giây, mô hình đã đánh bại nhà vô địch cờ vua Garry Kasparov vào năm 1997. Ngược lại, tôi mất vài giờ -- với phần viết mã tối thiểu -- để tạo ra một chương trình đánh bại tôi.

Phải thừa nhận rằng tôi nghi ngờ rằng AI mà tôi tạo ra có thể đánh bại Garry Kasparov trong môn cờ vua, nhưng điều đó không quan trọng. Vấn đề là bất kỳ ai từng chơi với GPT-4 đều có thể có trải nghiệm tương tự với siêu năng lực: bạn có thể tạo ra thứ gì đó gần bằng hoặc vượt quá khả năng của chính mình mà không tốn nhiều công sức. Tất cả chúng ta đều là nhà nghiên cứu của IBM; chúng ta đều là Garry Kasparov.

Rõ ràng, nó thú vị và một chút khó khăn. Đối với bất kỳ ai làm việc trong ngành công nghiệp tiền điện tử, phản ứng tự nhiên (sau khi ngạc nhiên về những gì máy học có thể làm) là xem xét các con đường tiềm năng để tập trung hóa và cách phân cấp những con đường đó thành một hệ thống mà mọi người có thể kiểm tra và sở hữu mạng một cách minh bạch. Các mô hình ngày nay được tạo ra bằng cách ngấu nghiến một lượng lớn văn bản và dữ liệu có sẵn công khai, nhưng hiện chỉ có một số người kiểm soát và sở hữu các mô hình này. Cụ thể hơn, câu hỏi không phải là "liệu trí tuệ nhân tạo có giá trị lớn hay không" mà là "làm cách nào để chúng ta xây dựng các hệ thống này để bất kỳ ai tương tác với chúng đều có thể thu được lợi ích kinh tế và nếu họ muốn, đảm bảo Dữ liệu của họ được sử dụng một cách hợp lý". tôn trọng quyền riêng tư".

Gần đây, đã có những lời kêu gọi tạm dừng hoặc làm chậm quá trình phát triển của các dự án AI lớn như Chat-GPT. Chặn tiến độ có thể không phải là giải pháp: cách tiếp cận tốt hơn là đẩy các mô hình nguồn mở và trong trường hợp nhà cung cấp mô hình muốn bảo vệ quyền riêng tư của trọng số hoặc dữ liệu của họ, hãy bảo mật chúng bằng bằng chứng không kiến ​​thức bảo vệ quyền riêng tư được lưu trữ on-chain Và có thể được kiểm toán đầy đủ. Trường hợp sử dụng thứ hai liên quan đến trọng lượng và dữ liệu của mô hình riêng tư hiện chưa thể thực hiện được trên chuỗi, nhưng những tiến bộ trong hệ thống bằng chứng không kiến ​​thức sẽ cho phép điều này trong tương lai.

Học máy có thể kiểm chứng và sở hữu

AI cờ vua mà tôi đã tạo bằng Chat-GPT cho đến nay dường như tương đối vô hại: một chương trình tạo ra các chương trình tương đối nhất quán và không sử dụng dữ liệu vi phạm quyền sở hữu trí tuệ có giá trị hoặc vi phạm quyền riêng tư. Nhưng còn khi chúng ta muốn đảm bảo rằng mô hình mà chúng ta được yêu cầu chạy đằng sau API thực sự là mô hình đã được chạy thì sao? Hoặc, điều gì sẽ xảy ra nếu tôi muốn cung cấp dữ liệu đã xác thực vào một mô hình trên chuỗi và chắc chắn rằng dữ liệu đó thực sự đến từ một bên hợp pháp? Điều gì sẽ xảy ra nếu tôi muốn đảm bảo rằng "người" gửi dữ liệu thực sự là con người chứ không phải bot đang cố thực hiện một cuộc tấn công Byzantine vào mạng của tôi? Bằng chứng không có kiến ​​​​thức và khả năng trình bày ngắn gọn và xác minh các chương trình tùy ý là một giải pháp.

Cần lưu ý rằng hiện tại trong bối cảnh học máy trên chuỗi, việc sử dụng chính bằng chứng không kiến ​​thức là để xác minh các tính toán chính xác. Nói cách khác, bằng chứng không có kiến ​​​​thức và cụ thể hơn là SNARK (Đối số kiến ​​​​thức không tương tác ngắn gọn) hữu ích nhất trong bối cảnh học máy vì các đặc tính đơn giản của chúng. Điều này là do bằng chứng không có kiến ​​thức bảo vệ câu tục ngữ (và dữ liệu mà nó xử lý) khỏi những con mắt tò mò. Các kỹ thuật nâng cao quyền riêng tư như Mã hóa đồng nhất hoàn toàn (FHE), Mã hóa chức năng hoặc Môi trường thực thi đáng tin cậy (TEE) phù hợp hơn để cho phép một trình chứng minh không đáng tin cậy chạy các tính toán trên dữ liệu đầu vào riêng tư (thảo luận sâu hơn về các kỹ thuật này nằm ngoài phạm vi bài viết này) .

Hãy lùi lại một bước và xem xét kỹ lưỡng các loại ứng dụng máy học có thể được biểu diễn bằng kiến ​​thức không và phần cứng, đồng thời xem nghiên cứu của Justin Thaler về hiệu suất SNARK hoặc xem sách giáo khoa không có kiến ​​thức của chúng tôi). Bằng chứng không kiến ​​thức thường biểu thị các chương trình dưới dạng các mạch số học: sử dụng các mạch này, trình chứng minh tạo ra các bằng chứng từ các đầu vào công khai và riêng tư, và trình xác minh thực hiện các phép tính toán học để đảm bảo rằng đầu ra của câu lệnh này là chính xác—mà không cần thu thập bất kỳ thông tin nào về các đầu vào riêng tư .

Chúng tôi vẫn đang trong những ngày đầu xác minh tính toán bằng cách sử dụng bằng chứng không có kiến ​​thức trên chuỗi, nhưng các cải tiến về thuật toán đang mở rộng những gì khả thi. Dưới đây là năm cách để áp dụng bằng chứng không kiến ​​thức trong học máy.1. Tính xác thực của mô hình:

Bạn muốn đảm bảo rằng mô hình máy học mà một thực thể tuyên bố đã chạy thực sự là mô hình đã được chạy. Ví dụ: khi một mô hình nhất định nằm sau API, có thể có nhiều phiên bản của thực thể cung cấp một mô hình cụ thể, chẳng hạn như phiên bản rẻ hơn, kém chính xác hơn và phiên bản đắt hơn, hiệu suất cao hơn. Nếu không có bằng chứng, bạn không có cách nào biết liệu nhà cung cấp có cung cấp cho bạn một kiểu rẻ hơn hay không khi bạn thực sự trả tiền cho phiên bản đắt hơn (ví dụ: nhà cung cấp muốn tiết kiệm chi phí máy chủ và cải thiện tỷ suất lợi nhuận).

Để làm điều này, bạn cần có bằng chứng riêng cho từng phiên bản mô hình. Một cách tiếp cận thực tế là thông qua Khung cam kết chức năng của Dan Boneh, Wilson Nguyen và Alex Ozdemir, một sơ đồ cam kết không có kiến ​​thức dựa trên SNARK cho phép chủ sở hữu mô hình cam kết với một mô hình mà người dùng có thể nhập dữ liệu của họ vào đó và nhận được xác thực của cam kết mô hình đã chạy. Một số ứng dụng dựa trên Risc Zero (máy ảo dựa trên STARK có mục đích chung) cũng thực hiện điều này. Nghiên cứu bổ sung của Daniel Kang, Tatsunori Hashimoto, Ion Stoica và Yi Sun cho thấy suy luận hiệu quả có thể được xác minh trên bộ dữ liệu ImageNet với độ chính xác 92% (có thể so sánh với mô hình ImageNet xác minh kiến ​​thức khác không có hiệu suất cao nhất).

Nhưng chỉ nhận được bằng chứng rằng một mô hình đã gửi đã chạy là chưa đủ. Một mô hình có thể không đại diện chính xác cho một chương trình nhất định, vì vậy bạn sẽ muốn bên thứ ba xem xét mô hình đã gửi. Cam kết chức năng cho phép người chứng minh chứng minh rằng nó sử dụng mô hình đã cam kết, nhưng không đảm bảo bất kỳ thông tin nào về mô hình đã cam kết. Nếu chúng tôi có thể nhận được bằng chứng không kiến ​​thức để hoạt động đủ tốt cho đào tạo bằng chứng (xem ví dụ #4 bên dưới), thì chúng tôi cũng có thể bắt đầu nhận được những đảm bảo này trong tương lai.2. Tính toàn vẹn của mô hình:

Bạn muốn đảm bảo rằng cùng một thuật toán máy học hoạt động theo cùng một cách trên dữ liệu từ những người dùng khác nhau. Điều này hữu ích trong những lĩnh vực mà bạn không muốn áp dụng sai lệch tùy ý, chẳng hạn như quyết định chấm điểm tín dụng và đơn xin vay. Bạn cũng có thể sử dụng chức năng hứa hẹn để đạt được điều này. Để làm điều này, bạn cần cam kết với một mô hình và các thông số của mô hình đó, đồng thời cho phép mọi người gửi dữ liệu. Đầu ra xác minh rằng mô hình chạy với các tham số đã cam kết đối với dữ liệu của mỗi người dùng. Ngoài ra, mô hình và các tham số của nó có thể được công khai và người dùng có thể tự chứng minh rằng họ đã áp dụng mô hình và tham số phù hợp cho dữ liệu (được xác thực) của chính họ. Điều này có thể đặc biệt hữu ích trong lĩnh vực y tế, nơi một số thông tin nhất định về bệnh nhân được luật pháp yêu cầu giữ kín. Trong tương lai, điều này có thể cho phép một hệ thống chẩn đoán y tế có khả năng học hỏi và cải thiện từ dữ liệu người dùng theo thời gian thực một cách hoàn toàn riêng tư.3. Chứng nhận:

Bạn muốn kết hợp chứng nhận từ một bên được xác minh bên ngoài (ví dụ: bất kỳ nền tảng kỹ thuật số hoặc thiết bị phần cứng nào có thể tạo chữ ký số) vào một mô hình chạy trên chuỗi hoặc bất kỳ loại hợp đồng thông minh nào khác. Để làm điều này, bạn sẽ xác minh chữ ký bằng cách sử dụng bằng chứng không có kiến ​​thức và cung cấp bằng chứng làm đầu vào cho chương trình. Anna Rose và Tarun Chitra gần đây đã tổ chức một podcast không có kiến ​​thức với Daniel Kang và Yi Sun để thảo luận về những phát triển mới nhất trong lĩnh vực này.

Cụ thể, Daniel và Yi gần đây đã công bố nghiên cứu về cách xác minh rằng hình ảnh được chụp bởi máy ảnh có cảm biến được chứng nhận đã trải qua các biến đổi như cắt xén. Dan Boneh và Trisha Datta đã thực hiện nghiên cứu tương tự, sử dụng bằng chứng không có kiến ​​thức để xác minh nguồn gốc của hình ảnh.

Nhưng rộng hơn, bất kỳ tin nhắn được xác thực kỹ thuật số nào cũng là ứng cử viên cho hình thức xác minh này: Jason Morton, người đang phát triển thư viện EZKL (thêm về điều đó trong phần tiếp theo), gọi cách tiếp cận này là "mang lại tầm nhìn cho chuỗi khối". Bất kỳ điểm cuối đã ký nào (ví dụ: dịch vụ SXG của Cloudflare, công chứng viên của bên thứ ba) đều tạo ra chữ ký số có thể được xác minh, điều này có thể hữu ích để chứng minh nguồn gốc và tính xác thực từ một bên đáng tin cậy.4. Suy luận hoặc đào tạo phân tán:

Bạn muốn thực hiện suy luận hoặc đào tạo máy học theo kiểu phân tán và cho phép mọi người gửi dữ liệu đến mô hình công khai. Để làm điều này, bạn có thể triển khai một mô hình hiện có trên chuỗi hoặc thiết kế một mạng hoàn toàn mới và nén mô hình bằng cách sử dụng bằng chứng không kiến ​​thức. Thư viện EZKL của Jason Morton đang tạo một phương thức để nhập các tệp ONXX và JSON và chuyển đổi chúng thành các mạch ZK-SNARK. Một bản demo gần đây tại ETH Denver cho thấy kỹ thuật này có thể được sử dụng để tạo ra một cuộc săn tìm kho báu trên chuỗi dựa trên nhận dạng hình ảnh, trong đó người tạo trò chơi có thể tải ảnh lên, tạo bằng chứng về hình ảnh và người chơi có thể tải lên hình ảnh; trình xác thực kiểm tra xem người dùng đã tải lên hình ảnh phù hợp bằng chứng do Creator tạo ra đủ phù hợp. EZKL hiện có thể xác thực các mô hình lên tới 100 triệu tham số, có nghĩa là nó có thể được sử dụng để xác thực các mô hình có kích thước ImageNet (những mô hình này có 60 triệu tham số) trên chuỗi.

Các nhóm khác, như Modulus Labs, đang đánh giá các hệ thống bằng chứng khác nhau để suy luận trên chuỗi. Điểm chuẩn của Modulus bao gồm tới 18 triệu thông số. Về mặt đào tạo, Gensyn đang xây dựng một hệ thống máy tính phân tán, nơi người dùng có thể nhập dữ liệu công khai và tiến hành đào tạo mô hình thông qua mạng lưới các nút phân tán trong khi xác minh tính chính xác của quá trình đào tạo.5. Chứng minh nhân thân:

Bạn muốn xác minh rằng ai đó là một cá nhân duy nhất mà không ảnh hưởng đến quyền riêng tư của họ. Để làm điều này, bạn sẽ tạo một phương thức xác minh, chẳng hạn như quét sinh trắc học hoặc cách gửi ID chính phủ của bạn bằng mật mã. Sau đó, bạn sẽ sử dụng bằng chứng không có kiến ​​thức để kiểm tra xem ai đó có được xác thực mà không tiết lộ bất kỳ thông tin nào về danh tính của người đó hay không, liệu danh tính đó có thể nhận dạng đầy đủ hay bí danh như khóa chung hay không.

Worldcoin đạt được điều này thông qua giao thức Proof of Person của họ, đảm bảo khả năng chống lại các cuộc tấn công bằng cách tạo mã mống mắt duy nhất cho người dùng. Điều quan trọng, các khóa riêng được tạo cho WorldID (và các khóa riêng khác cho ví tiền mã hóa được tạo cho người dùng Worldcoin) hoàn toàn tách biệt với mã mống mắt được tạo cục bộ bởi máy quét mắt của dự án. Sự tách biệt này tách biệt hoàn toàn mã định danh sinh trắc học khỏi bất kỳ dạng khóa người dùng nào có thể được gán cho ai đó. Worldcoin cũng cho phép các ứng dụng nhúng SDK cho phép người dùng đăng nhập bằng WorldID và tận dụng bằng chứng không có kiến ​​thức để bảo vệ quyền riêng tư bằng cách cho phép ứng dụng kiểm tra xem một người có WorldID hay không, nhưng không cho phép theo dõi người dùng cá nhân (xem blog này để biết thêm chi tiết bài viết).

Ví dụ này là một hình thức sử dụng các thuộc tính bảo vệ quyền riêng tư của bằng chứng không có kiến ​​thức chống lại các AI yếu hơn và độc hại, do đó, nó khác với các ví dụ khác ở trên (ví dụ: chứng minh rằng bạn là người thật chứ không phải rô-bốt trong khi không tiết lộ bất cứ điều gì về bản thân) thông tin) rất khác nhau.

Kiến trúc mô hình và những thách thức

Những đột phá trong các hệ thống bằng chứng triển khai SNARK (Lập luận kiến ​​thức không tương tác ngắn gọn) là động lực chính để đưa nhiều mô hình học máy vào chuỗi. Một số nhóm đang tạo mạch tùy chỉnh trong các kiến ​​trúc hiện có (bao gồm Plonk, Plonky 2, Air, v.v.). Xét về các mạch tùy chỉnh, Halo 2 đã trở thành một chương trình phụ trợ được sử dụng rộng rãi trong công việc của Daniel Kang và cộng sự và dự án EZKL của Jason Morton. Thời gian xác minh của Halo 2 xấp xỉ tuyến tính, kích thước bằng chứng thường chỉ vài kilobyte và thời gian xác minh là không đổi. Có lẽ quan trọng hơn, Halo 2 có các công cụ dành cho nhà phát triển mạnh mẽ, khiến nó được các nhà phát triển phụ trợ SNARK yêu thích sử dụng. Các nhóm khác, như Risc Zero, đang theo đuổi các chiến lược VM chung. Các nhóm khác đang tạo các khung tùy chỉnh bằng cách sử dụng hệ thống bằng chứng cực kỳ hiệu quả của Justin Thaler dựa trên giao thức kiểm tra tổng.

Thời gian tạo bằng chứng và xác minh hoàn toàn phụ thuộc vào phần cứng tạo và kiểm tra bằng chứng cũng như kích thước của mạch tạo ra bằng chứng. Nhưng điểm quan trọng cần lưu ý ở đây là bất kể chương trình được trình bày như thế nào, kích thước của bằng chứng luôn tương đối nhỏ, do đó, gánh nặng đối với người xác minh để xác minh bằng chứng là có giới hạn. Tuy nhiên, có một sự tinh tế ở đây: đối với các hệ thống bằng chứng như Plonky 2 sử dụng các sơ đồ cam kết dựa trên FRI, kích thước bằng chứng có thể tăng lên. (Trừ khi một trình bao bọc SNARK dựa trên ghép nối như Plonk hoặc Groth 16 được sử dụng ở cuối, những bằng chứng này không phát triển cùng với độ phức tạp của tuyên bố được chứng minh.)

Hàm ý đối với các mô hình học máy là một khi hệ thống bằng chứng được thiết kế đại diện chính xác cho mô hình, thì chi phí xác minh đầu ra thực sự sẽ rất rẻ. Các cân nhắc quan trọng nhất đối với nhà phát triển là thời gian và bộ nhớ chứng minh: thể hiện mô hình theo cách có thể được chứng minh tương đối nhanh và kích thước bằng chứng lý tưởng là ở mức vài kilobyte. Để chứng minh việc thực thi chính xác mô hình máy học trong điều kiện không có kiến ​​thức, bạn cần mã hóa và biểu diễn kiến ​​trúc mô hình (các lớp, nút và chức năng kích hoạt), tham số, ràng buộc và hoạt động nhân ma trận dưới dạng mạch. Điều này liên quan đến việc phân tách các thuộc tính này thành các phép toán số học có thể được thực hiện trên các trường hữu hạn.

Lĩnh vực này vẫn còn ở giai đoạn sơ khai. Độ chính xác và trung thực có thể bị ảnh hưởng trong quá trình chuyển đổi mô hình thành mạch. Khi mô hình được thể hiện dưới dạng một mạch số học, các tham số mô hình, ràng buộc và phép toán nhân ma trận đã nói ở trên có thể yêu cầu phép tính gần đúng và đơn giản hóa. Một số độ chính xác có thể bị mất khi mã hóa các phép toán số học dưới dạng các phần tử trong trường chứng minh hữu hạn (hoặc chi phí tạo ra các bằng chứng mà không có các tối ưu hóa này sẽ quá cao trong các khuôn khổ không kiến ​​thức hiện tại). Hơn nữa, các tham số và kích hoạt của các mô hình máy học thường được mã hóa thành 32 bit để tăng độ chính xác, nhưng bằng chứng không kiến ​​thức ngày nay không thể biểu diễn các phép toán dấu phẩy động 32 bit ở định dạng mạch số học cần thiết mà không phát sinh chi phí lớn. Do đó, các nhà phát triển có thể chọn sử dụng các mô hình máy học được lượng tử hóa, trong đó các số nguyên 32 bit đã được chuyển đổi thành độ chính xác 8 bit. Các loại mô hình này được biểu diễn một cách thuận lợi dưới dạng bằng chứng không có kiến ​​thức, nhưng mô hình đang được xác minh có thể là một xấp xỉ sơ bộ của mô hình ban đầu có chất lượng cao hơn.

Ở giai đoạn này, nó thực sự là một trò chơi bắt kịp. Khi các bằng chứng không kiến ​​thức trở nên tối ưu hơn, các mô hình học máy trở nên phức tạp hơn. Hiện đã có một số lĩnh vực tối ưu hóa đầy hứa hẹn: Đệ quy bằng chứng có thể giảm kích thước bằng chứng tổng thể bằng cách cho phép sử dụng bằng chứng làm đầu vào cho bằng chứng tiếp theo, do đó cho phép nén bằng chứng. Ngoài ra còn có các khung mới nổi như nhánh tuyến tính A của Máy ảo Tensor Apache (TVM), giới thiệu một trình chuyển đổi chuyển đổi các số dấu phẩy động thành các biểu diễn số nguyên thân thiện với kiến ​​thức bằng không. Cuối cùng, chúng tôi tại a16z crypto rất lạc quan về công việc trong tương lai sẽ giúp việc biểu diễn các số nguyên 32 bit trong SNARK trở nên hợp lý hơn.

Hai định nghĩa về "tỷ lệ" Bằng chứng không kiến ​​thức mở rộng quy mô thông qua nén: SNARK cho phép bạn biểu diễn toán học một hệ thống cực kỳ phức tạp (chẳng hạn như máy ảo hoặc mô hình máy học) sao cho chi phí xác minh hệ thống đó thấp hơn chi phí vận hành Nó. Mặt khác, máy học mở rộng theo tỷ lệ: các mô hình ngày nay trở nên tốt hơn với nhiều dữ liệu, tham số và GPU/TPU tham gia vào quá trình đào tạo và suy luận. Các công ty tập trung có thể chạy các máy chủ ở quy mô hầu như không giới hạn: tính phí hàng tháng cho các lệnh gọi API và thanh toán chi phí vận hành.

Thực tế kinh tế của các mạng chuỗi khối gần như ngược lại: các nhà phát triển được khuyến khích tối ưu hóa mã của họ để làm cho nó khả thi và rẻ khi chạy trên chuỗi. Sự bất đối xứng này có những lợi thế rất lớn: nó tạo ra một môi trường cần cải thiện hiệu quả của hệ thống chứng minh. Chúng ta nên tìm cách khẳng định trong học máy những lợi ích tương tự mà chuỗi khối mang lại, tức là quyền sở hữu có thể kiểm chứng và nhận thức chung về sự thật.

Trong khi các chuỗi khối khuyến khích tối ưu hóa zk-SNARK, mọi lĩnh vực điện toán sẽ được hưởng lợi.